論文の概要: Dementia-Agents: A Multi-Modal Multi-Agent System for Dementia Staging and Phenotyping

• arxiv url: http://arxiv.org/abs/2606.21168v1
• Date: Fri, 19 Jun 2026 07:16:36 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:27:46.720034
• Title: Dementia-Agents: A Multi-Modal Multi-Agent System for Dementia Staging and Phenotyping
• Title（参考訳）: Dementia-Agents:マルチモーダルマルチエージェントシステム
• Authors: Yaling Shen, Maja Christensen, Yiwen Jiang, Jenna Dennison, David Darby, Amy Brodtmann, Zongyuan Ge,
• Abstract要約: 認知症-エージェントス(Dementia-Agents)は、認知症のステージングと表現型化のための臨床的に整列したマルチエージェントフレームワークである。 1,066人の実地臨床コホートを用いた認知症-エージェントの開発と評価を行った。
• 参考スコア（独自算出の注目度）: 13.18271034396111
• License:
• Abstract: Dementia diagnosis requires integrating multi-modal clinical assessments from diverse informants and clinicians under incomplete and heterogeneous data conditions. Yet most AI-driven approaches remain Alzheimer's disease (AD)-centric, framing the problem as binary AD detection or three-stage AD progression modeling within well-curated research settings. This pathology-driven paradigm overlooks the broader, syndrome-level nature of dementia, which spans multiple stages, phenotypes, and etiologies. In this paper, we propose Dementia-Agents, a clinically aligned multi-agent framework for real-world dementia staging and phenotyping. The framework follows a three-step workflow: (1) a data agent translates structured clinical records into semantically faithful textual representations that preserve missing-data signals and routes them to domain-aligned experts; (2) five fine-tuned expert agents generate domain-level predictions; and (3) a coordinator agent performs probabilistic aggregation to produce final staging and phenotyping decisions. We develop and evaluate Dementia-Agents on a real-world clinical cohort of 1,066 patients from two cognitive neurology services. Compared with monolithic multi-modal large language models (MLLMs) and prior medical multi-agent systems, our approach achieves consistent improvements in diagnostic performance for real-world syndrome-level dementia staging and phenotyping, while preserving domain-level interpretability.
• Abstract（参考訳）: 認知症の診断には、不完全で不均一なデータ条件下で、多様な情報提供者や臨床医による多段階の臨床評価を統合する必要がある。 しかし、ほとんどのAI駆動のアプローチはアルツハイマー病(AD)中心であり、よく計算された研究環境では、バイナリAD検出または3段階ADプログレッションモデリングとして問題をフレーミングしている。 この病理駆動のパラダイムは、多段階、表現型、エチオロジーにまたがる認知症の、より広く、シンドロームレベルの性質を見落としている。 本稿では,現実の認知症ステージングと表現型化のための,臨床に整合したマルチエージェントフレームワークであるDementia-Agentsを提案する。 この枠組みは,(1)データエージェントが構造化された臨床記録を意味的に忠実なテキスト表現に変換し,不足データ信号を保持し,それらをドメイン整合の専門家にルーティングする,(2)5つの微調整専門家エージェントがドメインレベルの予測を生成し,(3)コーディネータエージェントが確率的集計を行い,最終的なステージングと表現決定を行う,という3段階のワークフローに従っている。 2つの認知神経学サービスによる1,066人の実地臨床コホート上での認知失調症(Dementia-Agents)の発症と評価を行った。 モノリシック・マルチモーダル・大規模言語モデル(MLLM)や先行医療用マルチエージェントシステムと比較して,本手法は,ドメインレベルの解釈性を維持しつつ,現実の症候群レベル認知症ステージングと表現型化の診断性能を一貫した改善を実現している。

関連論文リスト

• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• MARCH: Multi-Agent Radiology Clinical Hierarchy for CT Report Generation [20.858060411945438]
  自動3Dラジオロジーレポート生成は、しばしば臨床幻覚と、人間の実践で見られる反復的検証の欠如に悩まされる。 我々は,放射線学部門の専門的階層をエミュレートするマルチエージェントフレームワークであるMARCHを提案し,個別のエージェントに専門的な役割を割り当てる。 RadGenome-ChestCTデータセットでは、MARCHは臨床の忠実度と言語学的精度の両方において最先端のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2026-04-17T15:42:03Z)
• Foundation Model-based Evaluation of Neuropsychiatric Disorders: A Lifespan-Inclusive, Multi-Modal, and Multi-Lingual Study [18.4135590766724]
  アルツハイマー病(AD)、うつ病、自閉症スペクトラム障害(ASD)などの神経精神疾患は、言語学的および音響的異常によって特徴づけられる。 FEND (Foundation model-based Evaluation of Neuropsychiatric Disorders) は、生涯にわたってAD、うつ病、ASDを検出するための音声とテキストのモダリティを統合した総合的な多モードフレームワークである。
  論文  参考訳（メタデータ） (2025-12-24T05:07:07Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• MedForget: Hierarchy-Aware Multimodal Unlearning Testbed for Medical AI [66.0701326117134]
  MedForgetは、階層型を意識したマルチモーダルなアンラーニングテストベッドで、準拠する医療AIシステムを構築する。 既存の手法は,診断性能を低下させることなく,完全かつ階層性に配慮した忘れの解決に苦慮していることを示す。 階層レベルのコンテキストをプロンプトに徐々に追加する再構成攻撃を導入する。
  論文  参考訳（メタデータ） (2025-12-10T17:55:06Z)
• SurvAgent: Hierarchical CoT-Enhanced Case Banking and Dichotomy-Based Multi-Agent System for Multimodal Survival Prediction [49.355973075150075]
  マルチモーダルサバイバル予測のための最初の階層的チェーン・オブ・シント(CoT)強化マルチエージェントシステムであるSurvAgentを紹介する。 SurvAgentは2つの段階から構成される: WSI-Gene CoT-Enhanced Case Bank Constructionは、低磁化スクリーニング、クロスモーダル類似性-アウェアパッチマイニング、および病理画像に対する信頼-アウェアパッチマイニングを通じて階層解析を使用する。 二分法に基づくMulti-Expert Agent Inferenceは、RAGを介して類似の事例を検索し、段階的間隔改善による専門家予測とマルチモーダルレポートを統合する。
  論文  参考訳（メタデータ） (2025-11-20T18:41:44Z)
• On the Within-class Variation Issue in Alzheimer's Disease Detection [66.70233526150723]
  Alzheimer's Disease (AD) 検出では、ADと非ADの個人を区別するために、機械学習の分類モデルを使用している。 そこで本研究では,サンプルスコア推定器を用いて,認知的スコアと整合した標本特異的なソフトスコアを生成できることを確認した。 ソフトターゲット蒸留(SoTD)とインスタンスレベルの再分散(InRe)の2つの簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。 この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
  論文  参考訳（メタデータ） (2024-06-19T07:31:47Z)
• Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection [69.53626024091076]
  アルツハイマー病(AD)は高齢者に特に顕著である。 事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。 本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:03:28Z)
• Differential Diagnosis of Frontotemporal Dementia and Alzheimer's Disease using Generative Adversarial Network [0.0]
  前頭側頭性認知症とアルツハイマー病は2種類の認知症であり、互いに誤診しやすい。 2種類の認知症を区別することは、疾患特異的な介入と治療を決定するのに不可欠である。 医用画像処理分野におけるディープラーニングベースのアプローチの最近の発展は、多くのバイナリ分類タスクにおいて、最高のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-09-12T22:40:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。